Análisis predictivo

¿Qué es el análisis predictivo?

El análisis predictivo forma parte de los 4 tipos de análisis de datos. La analítica predictiva es un área de la minería de datos relacionada con la predicción global de probabilidades y tendencias futuras. Utiliza datos históricos, aprendizaje automático e IA para predecir lo que ocurrirá en el futuro. Una herramienta de tecnología de inteligencia empresarial produce una puntuación predictiva que informa de las acciones que deben tomar los clientes. Los datos históricos se introducen en un algoritmo matemático que busca tendencias y patrones en los datos y crea un modelo para ellos. A continuación, el modelo se aplica a los datos actuales para predecir lo que ocurrirá en el futuro.

En esencia, el análisis predictivo responde a la pregunta: "¿Qué es lo más probable que ocurra en función de mis datos actuales, y qué puedo hacer para cambiar ese resultado?". Por ejemplo, es probable que una compañía de seguros tenga en cuenta posibles factores de seguridad al volante, como la edad, el sexo y el historial de conducción, a la hora de distribuir pólizas de seguros de automóvil. El análisis predictivo puede ayudar a las organizaciones a identificar las campañas de marketing y el comportamiento del sitio web más eficientes para aumentar las respuestas de los clientes, las conversiones y los clics, y disminuir las interrupciones.

¿Para qué sirve el análisis predictivo?

El análisis predictivo puede ofrecer a los usuarios finales perspectivas y sugerir acciones que repercutan directamente en las operaciones, los ingresos y la evaluación de riesgos. Se aplica a aplicaciones empresariales para una amplia gama de casos de uso en diversos sectores. Algunos escenarios incluyen:

• Reducir la pérdida de clientes: Una aplicación de ventas con análisis predictivo podría analizar los comportamientos habituales de los clientes y alertar al profesional de ventas cuando es probable que un cliente abandone la empresa. De este modo, se pueden desplegar eficazmente promociones específicas.
• Detección del fraude: En finanzas, el análisis predictivo ayuda a identificar comportamientos potencialmente fraudulentos antes de que se produzcan. Los bancos pueden predecir impagos de préstamos, aprobar créditos o detectar actividades sospechosas.
• Reducción del tiempo de inactividad de las máquinas: El análisis predictivo puede mejorar la capacidad de producción y reducir el tiempo de inactividad analizando los datos históricos y en línea de las líneas de producción.
• Señalización de pacientes sanitarios de alto riesgo: Los hospitales y los médicos pueden identificar a los pacientes de alto riesgo para darles prioridad en las revisiones y recomendarles tratamientos preventivos. Esto también reduce los reingresos hospitalarios.

Cómo empezar con el análisis predictivo

Para muchos equipos de aplicaciones, el análisis predictivo puede empezar como un ejemplo puntual para demostrar que puede añadir valor a su aplicación, aumentar la satisfacción del usuario y demostrar el retorno de la inversión para la empresa. Independientemente de los motivos, los pasos son básicamente los mismos.

1. Identificar un problema a resolver:

Cada pregunta de análisis predictivo debe ofrecer un valor medible y claro. El marco PADS puede ayudarle a identificar una pregunta que resuelva necesidades empresariales críticas. PADS significa: Prevenir Problemas, Asistir a Humanos, Detectar Problemas y Racionalizar Servicios.

2. Seleccione y prepare sus datos:

Para ejecutar modelos de análisis predictivo, se necesita un conjunto de datos que pueda generar información. En la mayoría de los casos, utilizará tanto datos históricos, que se utilizan para entrenar al algoritmo predic tivo en la predicción de un resultado, como datos nuevos, que es donde se realizan las predicciones futuras. La mayoría de los equipos de aplicaciones almacenan los datos históricos y los nuevos en bases de datos separadas. Pero si tiene una base de datos para todos sus conjuntos de datos, puede utilizar un filtro temporal (por ejemplo, seis meses) en los datos históricos y un filtro del último día o de la última semana para predecir los datos nuevos.

3. Implicar a los demás:

Empiece por las partes interesadas de su organización, incluidos los directivos o jefes de equipo que tendrán que comprometerse con el proyecto. A medida que las partes interesadas se convierten en defensores, pueden ayudar a promover la iniciativa entre los demás, asegurándose de obtener los datos multifuncionales que necesita y preparando su proyecto para el éxito a largo plazo.

4. Elija sus modelos de análisis predictivo:

El modelo de análisis predictivo que elija dependerá de la pregunta que formule. La mayoría de las preguntas de análisis predictivo utilizarán uno de estos cinco modelos habituales:

• Modelo de clasificación: El modelo predictivo de clasificación responde a una pregunta sí/no. Por ejemplo: ¿Este cliente está a punto de cambiar? ¿Se aprobará este préstamo? ¿Se trata de una transacción fraudulenta?
• Modelo de agrupación: Es útil para clasificar puntos de datos en grupos. Por ejemplo, puede que desee encontrar el grupo de clientes de su base de datos con más probabilidades de estar insatisfechos. Es posible que necesite clasificarlos en categorías basadas en los tipos de problemas que probablemente estén experimentando. El modelo de clustering puede clasificar rápidamente a estos individuos con un alto grado de precisión.
• Modelo de previsión: Este modelo predice cifras, como cuántos clientes es probable que se conviertan en una semana determinada, cuántas llamadas de asistencia recibirá su centro de llamadas por hora y cuánto inventario debe tener a mano.
• Modelo de valores atípicos: Este modelo pone de relieve las anomalías en los datos. Por ejemplo, podría registrar un pico de llamadas de asistencia, lo que podría indicar un fallo del producto que podría dar lugar a una retirada. Podría encontrar datos anómalos en una reclamación de seguros y descubrir un ejemplo de fraude. Incluso podría encontrar información inusual en sus registros de NetOps y advertir los signos de un inminente tiempo de inactividad no planificado.
• Modelo de series temporales: Una serie temporal es una secuencia de puntos de datos capturados en un orden oportuno. Por ejemplo, el número de llamadas diarias recibidas en los últimos tres meses; las ventas de los últimos 20 trimestres; y el número de pacientes que visitaron un determinado hospital en las últimas seis semanas. Las series temporales son una forma eficaz de comprender cómo evoluciona una métrica a lo largo del tiempo, y suelen ser más precisas que otros modelos que no tienen en cuenta el tiempo como métrica.

5. Cerrar la brecha entre ideas y acciones:

Muchas soluciones de análisis predictivo no capacitan a los usuarios finales. Ofrecen información, pero no dicen a los usuarios qué hacer con ella, y mucho menos les permiten actuar sin salir de la aplicación. Esta desconexión hace perder tiempo e interrumpe los flujos de trabajo de los usuarios. En un proyecto de análisis predictivo, no sólo hay que proporcionar información, sino también permitir que los usuarios actúen en consecuencia. ¿Cómo puede hacer que esa información sea útil? En primer lugar, debe hacerla llegar a las personas adecuadas. A continuación, debe sugerir los siguientes pasos basándose en la información e, idealmente, permitir que los usuarios actúen sin salir de la aplicación.

6. Construir prototipos:

Empiece con algo sencillo y entréguelo a los usuarios finales y a las partes interesadas para que lo prueben. Estos serán los primeros usuarios de su producto y sus comentarios marcarán el rumbo de su solución de análisis predictivo.

7. Iterar regularmente:

A medida que evolucione el proyecto, colabore continuamente con su grupo de pruebas para revisar los progresos e incorporar nuevos comentarios.